Finansowanie

Model ML pozyskuje 250 mln USD w rundzie serii B przy wycenie 1,5 mld USD, aby rozbudować zespoły AI

Evan Mercer
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyModel ML pozyskał 250 milionów dolarów przy wycenie 1,5 miliarda dolarów, aby…
Zobacz więcej
  • Model ML pozyskał 250 milionów dolarów przy wycenie 1,5 miliarda dolarów, aby rozszerzyć zespoły AI w Londynie i Nowym Jorku.
  • Agenci firmy działają na własnych systemach i danych przedsiębiorstwa i nigdy nie trenują modeli na danych klientów.
  • Model ML kieruje zadania do różnych dostawców i podaje, że koszt jego własnych modeli wynosi 2% poziomu modeli frontier.

Model ML poinformowała 17 listopada 2026 roku o pozyskaniu 250 mln USD w rundzie finansowania serii B przy wycenie 1,5 mld USD. General Atlantic i QED Investors wspólnie przewodziły tej rundzie. Pozyskane środki zostaną przeznaczone na rozbudowę zespołów badawczych i inżynieryjnych w Londynie i Nowym Jorku, dalszy rozwój produktów oraz szersze wdrożenia u klientów.

W rundzie uczestniczyły również Evolution Equity Partners, Airtree, Forestay Capital, Y Combinator, FT Partners, Latitude, Inception Fund i 13Books Capital, co zwiększyło łączną kwotę pozyskanego finansowania do 350 mln USD. Seria B odbywa się 18 miesięcy po tym, jak Model ML wyszła z trybu stealth, i jest następstwem rundy serii A o wartości 75 mln USD, której w listopadzie 2025 roku przewodziła firma FT Partners.

Deklarowany wzrost i międzynarodowy zasięg

Model ML poinformowała, że w trzecim kwartale 2026 roku roczne przychody cykliczne wzrosły 12-krotnie rok do roku, a liczba dziennie aktywnych użytkowników zwiększyła się 26-krotnie. Wskaźniki te wiążą nowe finansowanie z rosnącym wykorzystaniem platformy, dostarczając dodatkowego kontekstu dla wyceny i planów ekspansji.

Biura otwarte w 2026 roku w Paryżu, Madrycie, Tokio, Singapurze i Dubaju mają pomóc firmie obsługiwać klientów w różnych regionach. Dołączają one do londyńskiej siedziby głównej Model ML i jej placówki w Nowym Jorku, poszerzając międzynarodowy zasięg firmy w miarę wdrażania rozwiązań na większą skalę.

Paul Stamas, dyrektor zarządzający i globalny szef ds. usług finansowych w General Atlantic, powiedział, że instytucje z sektora finansowego i usług profesjonalnych szybko przechodzą od eksperymentowania z AI do codziennego jej wykorzystania. Dodał, że klienci Model ML już powierzają platformie coraz bardziej złożone zadania.

Osobiści agenci do pracy w finansach

Bracia Chaz i Arnie Englander stworzyli Model ML, aby dostarczać osobistych agentów AI bankowcom, konsultantom i inwestorom. Agenci działają w oparciu o systemy i dane firmy, czerpiąc kontekst z informacji o klientach, bieżących transakcjach i indywidualnych preferencjach dotyczących pracy. W miarę kolejnych interakcji coraz lepiej dostosowują się do użytkowników.

„AI powinna robić więcej niż tylko udzielać kolejnej odpowiedzi czy wysyłać powiadomienie. Powinna rozumieć, na czym polega twoja praca, i wykonywać zadania” — powiedział Chaz Englander, współzałożyciel i dyrektor generalny Model ML.

Model ML twierdzi, że agent może przygotować analizę w kilka minut zamiast w kilka dni. Na przykład, gdy jakieś wydarzenie wpływa na spółkę z listy firm obsługiwanych przez bankiera, agent ocenia jego znaczenie, analizuje konsekwencje i przygotowuje analizę w formatach stosowanych w danej firmie, zamiast po prostu wysyłać alert.

Wdrażanie i ekonomika modeli

Klienci mogą uruchamiać platformę we własnej infrastrukturze. Model ML często stosuje ten wariant wdrożenia, aby dane pozostawały w środowisku klienta. Firma deklaruje, że dane klientów nigdy nie są wykorzystywane do trenowania modeli AI. Model ML ma certyfikat ISO/IEC 27001:2022 i przeszła audyt SOC 2 Type II.

Wybór modelu odbywa się za pośrednictwem warstwy routingu, a nie na zasadzie zobowiązania do korzystania z usług jednego dostawcy AI. Model ML ocenia modele podczas rzeczywistych zadań finansowych, a następnie przydziela zadania na podstawie jakości, szybkości i kosztów. Coraz większą część tych zadań obsługują własne, dostrojone modele open source firmy.

W przypadku zadań obsługiwanych przez te wewnętrzne modele firma podaje, że koszty wynoszą 2% kosztów modeli wiodących, działają one w większości przypadków pięć razy szybciej, a ich dokładność jest równa dokładności modeli wiodących lub od niej większa. Wartości te dotyczą konkretnych obciążeń i opisują zadania przydzielane własnym modelom Model ML, a nie działanie całej platformy.

Dalsza ekspansja zależy teraz od utrzymania połączenia kontroli klienta nad danymi, spersonalizowanej automatyzacji i ekonomiki modeli dostosowanej do konkretnych obciążeń, w miarę wdrażania agentów na szerszą skalę.

Evan Mercer jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się startupami AI, kapitałem ryzyka i dynamiką finansowania kształtującą kolejną generację firm technologicznych. Jego relacje koncentrują się na innowacjach we wczesnym etapie, przepływach kapitału oraz strategicznych decyzjach, które podejmują założyciele i inwestorzy, gdy firmy AI rozwijają się od koncepcji do globalnego wpływu.

Ze strategicznej i analitycznej perspektywy Evan bada rundy finansowania, pozycjonowanie rynkowe oraz pojawiające się trendy w ekosystemie startupów AI. Śledzi, jak kapitał ryzyka, inwestycje korporacyjne i rynki publiczne krzyżują się z przełomami w sztucznej inteligencji, odróżniając trwałe sygnały od krótkotrwałego szumu.

Artykuły autorstwa Evana Mercera są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, kontekst i odpowiedzialne relacjonowanie globalnego krajobrazu inwestycji w AI